高光谱图像超分辨率通过深度渐进零为中心的残差学习 论文“通过深度渐进零中心残差学习实现的高光谱图像超分辨率”的源代码 具有响应功能的演示CAVE数据集： ://drive.google.com/drive/folders/1rjvP9d0tmM_zkbXWfIMK4fDP6HVSMVI9?usp
CAVE数据集mat格式，含HSI，MSI，GT。我们提供了用于模拟GAP相机的多光谱图像数据库。这些图像包含各种现实世界的材料和物体。
hsi matlab代码代码：用于高光谱图像去噪的低阶张量字典学习方法 《 TSP2020一种用于高光谱图像去噪的低秩张量字典学习方法》一文中的所有matlab代码。 数据集 从来自的ICVL。 我们通过msi=msi(1:2:size(msi,1),1:2:size(msi,2), :)下采样ICVL数据集。 来自的贾斯珀里奇（Jasper Ridge） 资料夹结构 Demo_DL_syn.m : Detect the object ' road ' on denoised jasperRidge HSIs via different methods (Fig. 7, 8). Please run it where we provide the pre‐computing denoising results and you can get the results in Fig. 7 and Fig. 8. Demo_denoise_ge.m : Denoise the CAVE- ' watercolors ' HSI with generated noise. It needs t
通过3DDnCNN学习光谱空间先验以进行高光谱图像反卷积 脚步： 运行Cave_processing.py以处理公共数据集CAVE； 运行get_kernel.py以获得本文中使用的服务器模糊内核。 运行blurring_image.m以使原始高光谱图像与获得的内核模糊； 运行main_con.py是高光谱图像反卷积的主要功能。 如果要训练和测试去噪神经网络3DDnCNN，请执行以下操作： 运行train.py来训练3DDnCNN; 运行test.py以测试3DDnCNN; 如有任何疑问，请随时通过给我发送电子邮件。 如果此代码对您有帮助，请引用我们的论文，如下所示： @inproceedings {wang2020learning，title = {通过3DDNCNN为高光谱图像反卷积学习光谱空间先验}，作者= {Wang，Xiuheng和Chen，Jie and R
高光谱图像具有高光谱分辨率，并且已在许多应用中得到广泛使用，但是实现高光谱分辨率的成像过程是以空间分辨率为代价的。 本文旨在通过提出一种新的基于类的光谱超分辨率方法，从高空间分辨率的RGB图像中构建高空间分辨率的高光谱（HHS）图像。 借助一组RGB和HHS图像对，我们提出的方法使用基于类的反向传播神经网络（BPNN）学习RGB和HHS图像对之间的非线性光谱映射。 在训练阶段，使用无监督聚类将RGB图像根据光谱相关性分为几类，并使用分类后的RGB图像和对应的HHS图像的光谱对来训练BPNN，建立非线性光谱映射每堂课在光谱超分辨率阶段，使用监督分类将给定RGB图像分类为在训练阶段确定的类别，并使用训练后的BPNN从分类后的给定RGB图像重建最终的HHS图像。 对三个标准数据集ICVL，CAVE和NUS的比较表明，与相关的最新技术方法相比，我们提出的方法可实现更好的光谱超分辨率质量。
hsi matlab代码使用线性回归的快速高光谱图像超分辨率 C语言实现 此版本的C语言实现是在Linux上开发的。 内部使用Intel Math Kernel Library（MKL）和Matlab R2014a extern库。 请确保您的计算机上正确安装了这两个依赖项。 使用Makefile编译计算机上的源代码，但是需要根据您的安装修改MKL和Matlab路径（我们的MKL位于/ usr / opt，Matlab位于/ usr / local。）。 我们的方法的实现包含在hss_lr.c中，该文件明确要求低空间分辨率高光谱图像（LR-HSI），高空间分辨率多光谱图像（HR-MSI）和降级算子（D）。 输出为高空间分辨率高光谱图像（HR-HSI）。 在我们的演示（LR_C.c）中，我们分别在CAVE，Havard和ICVL数据集上测试了我们的方法。 Matlab实现 LR_latest * .M包含了我们对不同贴片尺寸的方法，即，2 2，4 4，8×8，16 16，32×32的执行。 为使代码正常运行，请将* .m移到字典依赖项中。
